Oct, 2023

CSI：提升三维点云识别对冲突的鲁棒性

PDF
TL;DR该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。
deep neural networkspoint cloud recognitiondata corruptioncritical subset identificationcsi framework
发现论文，激发创造
  • 针对常见污染物的 3D 点云识别鲁棒性基准测试

    本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域，但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集，并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解，例如在适当的训练下，基于 Transformer 的结构具有最强的鲁棒性。

    Jan, 2022

  • 面向真实世界干扰的点云识别的样本自适应增强

    在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最先进的结果。

    Sep, 2023

  • 重新思考少样本 3D 点云语义分割

    该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg)，解决了目前该领域面临的前景泄漏、稀疏点分布等问题，在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。

    Mar, 2024

  • 基于破损数据的点云分类性能比较与分析

    本文提出了一种基于点云的分类算法，通过对常见三维环境噪声进行分类以及分类器的性能评估，分析了点云分类器的健壮性和泛化性，提出了一些有效的技术来增强点云分类器的健壮性。

    Feb, 2022

  • DCS-Net: 具有全球洞察能力的无漏洞点云预训练框架

    我们引入了一种称为可微分中心采样网络（DCS-Net）的新型解决方案，通过同时学习点云中的全局模式和局部模式，有效地提升了现有点云模型的表达能力并解决了信息泄漏问题。

    Feb, 2024

  • PointCert: 具有确定性认证鲁棒性保证的点云分类

    该研究针对点云分类中的对抗攻击问题，提出了一个名为 PointCert 的通用框架，可将任何分类器变成可以抗击对抗点云攻击的验证型分类器，证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。

    Mar, 2023

  • 关键点 ++：基于敏捷性点云重要性度量的鲁棒分类、对抗性防御和可解释人工智能

    在这项研究中，我们研究了三维点云的关键点与样本外分布的相互作用，将关键点的概念扩展为重要性度量，通过仅基于较不重要的点进行训练，大大提高了网络的鲁棒性，同时对于协同学习是高度有价值的。

    Aug, 2023

  • 基于采样网络引导的无监督点云配准交叉熵方法

    本文提出了一种基于交叉熵方法的端到端深度学习模型，用于无监督的点云配准任务，通过定义奖励函数及构建融合分数函数等方式进行最优化的点云配准，可优化配准算法 ICP 需要较高的计算量问题。

    Sep, 2021

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • CPSeg：基于 3D LiDAR 点云的无聚类全景分割

    提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

    Nov, 2021